研究以无实际训练数据为基础，利用基于特征的时间序列分类方法准确预测疾病爆发和非爆发。通过对合成数据和真实数据集的测试，发现在爆发发生之前可以通过统计特征和早期预警信号指示器区分爆发和非爆发序列。

Apr, 2024

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

本文提出了一种新的基于维基百科网页访问日志的监测传染病的方案，并且通过实验证明这种方法具有高准确性和预测能力，可以用于全球各地的使用。

May, 2014

通过统计分析和数据填补技术，我们发现全球发展指标与疾病爆发之间的因果关系，同时识别出最重要的与疾病爆发相关的发展领域。

Sep, 2021

本文利用嘈杂学习理论生成弱监督信号替代手动标注以产生带有嘈杂标签的数据集，通过在一个大流行病语料库上的评估，本研究证明在一个类别不平衡和多分类弱监督学习的环境下，模型的性能超过了 90%。

Sep, 2022

我们介绍了 EINNs，这是一个基于机械模型提供的理论基础和人工智能模型提供的数据驱动的表达能力，以及摄入异构信息的能力，用于流行病预测的框架。通过物理 - 信息神经网络的工作来学习潜在的流行病动态并将相关知识转移给另一个神经网络，这个网络摄入多个数据源，并具有更适当的归纳偏差。我们的全面实验表明，与其他非平凡的选择相比，在 COVID-19 和流感预测的所有美国州和 HHS 地区都展示了我们方法的明显优势。

Feb, 2022

通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

Sep, 2023

通过发展新方法：有向各向异性扩散图（directed anisotropic diffusion map），我们能够有效地提取出低维流形中的潜在演化动力学，并应用于真实的脑电图（EEG）数据，找到了适当的有效坐标，推导出能够检测状态转变过程中的临界点的早期预警信号。

Sep, 2023

使用威斯康辛州近十年的数据进行大规模评估后发现，尽管风险评估系统的准确性很高，但没有证据表明其提高了毕业率。结构约束是改善教育成果的主要障碍。

Apr, 2023

运用维基百科文章内容，基于命名实体识别器，实现对病例，死亡和住院人数在文章叙述中的标记，并且利用 2014 年西非埃博拉病毒疾病流行文章为案例研究，来展示与真实数据高度一致的详细时间序列数据，从而提出维基百科可以被用于创建第一个以社区为驱动的开源新兴疾病检测、监测和库存系统的观点。

Apr, 2015